Curso de ONNX
Aprende con el curso de ONNX para empresas hasta 100% bonificado, a medida para tu organización.
Totalmente práctico y aplicable
Formación en ONNX a medida
100% bonificable a través de FUNDAE
Curso TUTORIZADO por expertos
Totalmente práctico y aplicable
Formación en ONNX a medida
100% bonificable a través de FUNDAE
Curso TUTORIZADO por expertos
© 2026 Imagina Formación. Todos los derechos reservados
© 2026 Imagina Formación. Todos los derechos reservados
Forma a tu equipo sin costes mediante la bonificación estatal.
Este programa de ONNX para empresas es subvencionable hasta el 100%.
Calcula tu bonificación
Todos nuestros cursos son bonificables a través de FUNDAE.
Gestionamos toda la documentación por ti.
Calcula tu crédito aproximado
Crédito bonificable estimado
420€*
*Cálculo orientativo
Diseñamos una formación a medida utilizando los documentos y flujos de trabajo reales de tu empresa.
Los alumnos podrán revisar las sesiones grabadas para repasar conceptos clave, recuperar explicaciones concretas o reforzar aquellos contenidos que necesiten después de la clase en directo.
Materiales, sesiones grabadas y documentación de apoyo quedan centralizados en la plataforma para que el equipo pueda consultarlos durante y después de la formación.
La plataforma permite registrar y confirmar la asistencia de los participantes, facilitando el seguimiento de la formación y la gestión documental necesaria para la bonificación FUNDAE.
Encuentra todo el temario del curso aquí.
Comprender qué es ONNX y por qué se usa como formato común para representar modelos de machine learning.
Diferenciar formato de modelo, runtime de inferencia, framework de entrenamiento, acelerador hardware y pipeline MLOps.
Identificar cuándo ONNX aporta valor: portabilidad, inferencia eficiente, despliegue edge, integración backend y aceleración.
Reconocer cuándo no conviene convertir a ONNX: operadores no soportados, modelos dinámicos complejos o coste de mantenimiento excesivo.
Situar ONNX dentro del flujo completo: entrenamiento, exportación, validación, optimización, serving, monitorización y actualización.
Diferenciar `.onnx`, ORT format, modelos cuantizados, modelos optimizados y paquetes de despliegue.
Entender el papel de ONNX Runtime como motor de inferencia y no como framework de entrenamiento convencional.
Revisar casos de uso empresariales: visión industrial, NLP, clasificación, detección, recomendación, IoT, móvil, web y APIs.
Identificar riesgos iniciales: incompatibilidad de opset, precisión divergente, latencia inesperada y dependencias hardware.
Preparar el caso base del curso: pipeline de exportación, validación, optimización y despliegue de varios modelos ONNX.
Comprender qué es ONNX y por qué se usa como formato común para representar modelos de machine learning.
Diferenciar formato de modelo, runtime de inferencia, framework de entrenamiento, acelerador hardware y pipeline MLOps.
Identificar cuándo ONNX aporta valor: portabilidad, inferencia eficiente, despliegue edge, integración backend y aceleración.
Reconocer cuándo no conviene convertir a ONNX: operadores no soportados, modelos dinámicos complejos o coste de mantenimiento excesivo.
Situar ONNX dentro del flujo completo: entrenamiento, exportación, validación, optimización, serving, monitorización y actualización.
Diferenciar `.onnx`, ORT format, modelos cuantizados, modelos optimizados y paquetes de despliegue.
Entender el papel de ONNX Runtime como motor de inferencia y no como framework de entrenamiento convencional.
Revisar casos de uso empresariales: visión industrial, NLP, clasificación, detección, recomendación, IoT, móvil, web y APIs.
Identificar riesgos iniciales: incompatibilidad de opset, precisión divergente, latencia inesperada y dependencias hardware.
Preparar el caso base del curso: pipeline de exportación, validación, optimización y despliegue de varios modelos ONNX.
Machine Learning Engineers y MLOps Engineers
Este curso encaja con perfiles que entrenan, convierten, optimizan y despliegan modelos de machine learning. La formación les permite pasar de notebooks o frameworks de entrenamiento a artefactos portables, versionados y preparados para inferencia eficiente.
Data scientists con modelos en producción
Los perfiles de datos podrán exportar modelos desde PyTorch, TensorFlow, Keras o scikit-learn, validar equivalencia, medir rendimiento y entregar artefactos robustos a equipos de backend, MLOps, edge o producto.
Desarrolladores backend, C#, C++, Python y JavaScript
Explora las respuestas a las preguntas que guian a nuestra comunidad. Aqui encontraras claridad sobre como funciona todo, desde el acceso hasta los detalles de los cursos. Si buscas respuestas, este es el lugar para comenzar.
ONNX es un formato abierto para representar modelos de machine learning e inteligencia artificial mediante grafos, operadores, tensores, entradas y salidas.
Su uso principal es interoperabilidad e inferencia. Normalmente el modelo se entrena en un framework como PyTorch o TensorFlow y después se exporta a ONNX.
ONNX Runtime es un motor de inferencia optimizado para ejecutar modelos ONNX en distintas plataformas, lenguajes y aceleradores hardware.
Sí. Es recomendable conocer modelos, inferencia, entrenamiento básico, tensores, métricas, datasets y frameworks como PyTorch, TensorFlow o scikit-learn.
Sí. El curso incluye exportación desde PyTorch, configuración de opset, dynamic axes, validación y comparación contra ONNX Runtime.
Sí. Se trabajan conversiones desde TensorFlow/Keras, revisión de SavedModel, inputs, outputs, compatibilidad y validación de resultados.
Sí. Se trabaja exportación de pipelines tabulares, preprocessing, columnas, estimadores y validación de predicciones.
Los opsets definen versiones de operadores ONNX. Elegir un opset compatible es clave para que el modelo pueda ejecutarse correctamente en el runtime destino.
Son proveedores de ejecución de ONNX Runtime que aceleran partes del grafo en hardware específico como CPU, CUDA, TensorRT, OpenVINO, DirectML, QNN o CoreML.
Sí. Se trabaja cuantización dinámica, estática, INT8, FP16, reducción de tamaño, calibración y comparación de precisión frente a rendimiento.
Sí. El curso incluye creación de APIs de inferencia, Docker, healthchecks, métricas, versionado, logs y despliegue controlado.
Sí. ONNX es muy útil en edge cuando se necesita inferencia local, baja latencia, privacidad, funcionamiento offline o aceleración en hardware específico.
Sí. Se trabajan escenarios Android e iOS con ONNX Runtime, Execution Providers móviles, tamaño de modelo, consumo y actualización de versiones.
Sí. Se aborda ONNX Runtime Web, WebAssembly, WebGPU, carga de modelos, rendimiento y límites de distribuir inferencia en cliente.
Sí. Se introduce ONNX Runtime GenAI y sus escenarios, límites, requisitos, tokenización, KV cache y generación cuando el entorno lo permite.
Un pipeline completo con exportación, validación, optimización, cuantización, API de inferencia, Docker, CI/CD, observabilidad y documentación técnica.
Sí. Puede adaptarse a modelos de visión, NLP, tabular, embeddings, detección, edge, móvil, APIs internas o servicios de inferencia corporativos.
Sí, esta formación puede ser bonificable hasta el 100% a través de FUNDAE, siempre que la empresa disponga de crédito formativo suficiente y se cumplan los requisitos de comunicación, asistencia y documentación exigidos.
¿Tienes dudas?
Estamos aqui para ayudarte
ONNX es un formato abierto para representar modelos de machine learning e inteligencia artificial mediante grafos, operadores, tensores, entradas y salidas.
¿Tienes dudas?
Estamos aqui para ayudarte
Su uso principal es interoperabilidad e inferencia. Normalmente el modelo se entrena en un framework como PyTorch o TensorFlow y después se exporta a ONNX.
ONNX Runtime es un motor de inferencia optimizado para ejecutar modelos ONNX en distintas plataformas, lenguajes y aceleradores hardware.
Sí. Es recomendable conocer modelos, inferencia, entrenamiento básico, tensores, métricas, datasets y frameworks como PyTorch, TensorFlow o scikit-learn.
Sí. El curso incluye exportación desde PyTorch, configuración de opset, dynamic axes, validación y comparación contra ONNX Runtime.
Sí. Se trabajan conversiones desde TensorFlow/Keras, revisión de SavedModel, inputs, outputs, compatibilidad y validación de resultados.
Sí. Se trabaja exportación de pipelines tabulares, preprocessing, columnas, estimadores y validación de predicciones.
Los opsets definen versiones de operadores ONNX. Elegir un opset compatible es clave para que el modelo pueda ejecutarse correctamente en el runtime destino.
Son proveedores de ejecución de ONNX Runtime que aceleran partes del grafo en hardware específico como CPU, CUDA, TensorRT, OpenVINO, DirectML, QNN o CoreML.
Sí. Se trabaja cuantización dinámica, estática, INT8, FP16, reducción de tamaño, calibración y comparación de precisión frente a rendimiento.
Sí. El curso incluye creación de APIs de inferencia, Docker, healthchecks, métricas, versionado, logs y despliegue controlado.
Sí. ONNX es muy útil en edge cuando se necesita inferencia local, baja latencia, privacidad, funcionamiento offline o aceleración en hardware específico.
Sí. Se trabajan escenarios Android e iOS con ONNX Runtime, Execution Providers móviles, tamaño de modelo, consumo y actualización de versiones.
Sí. Se aborda ONNX Runtime Web, WebAssembly, WebGPU, carga de modelos, rendimiento y límites de distribuir inferencia en cliente.
Sí. Se introduce ONNX Runtime GenAI y sus escenarios, límites, requisitos, tokenización, KV cache y generación cuando el entorno lo permite.
Un pipeline completo con exportación, validación, optimización, cuantización, API de inferencia, Docker, CI/CD, observabilidad y documentación técnica.
Sí. Puede adaptarse a modelos de visión, NLP, tabular, embeddings, detección, edge, móvil, APIs internas o servicios de inferencia corporativos.
Sí, esta formación puede ser bonificable hasta el 100% a través de FUNDAE, siempre que la empresa disponga de crédito formativo suficiente y se cumplan los requisitos de comunicación, asistencia y documentación exigidos.
Cuéntanos tus objetivos de negocio y prepararemos una propuesta formativa bonificable totalmente ad hoc
Revisamos tu caso
Preparamos la gestión
Tu equipo realiza el curso
Aplicas la bonificación
Después de la formación en directo, los alumnos podrán acceder a ejercicios prácticos para aplicar lo trabajado en clase y consolidar el aprendizaje con actividades guiadas.
Los alumnos podrán revisar las sesiones grabadas para repasar conceptos clave, recuperar explicaciones concretas o reforzar aquellos contenidos que necesiten después de la clase en directo.
Materiales, sesiones grabadas y documentación de apoyo quedan centralizados en la plataforma para que el equipo pueda consultarlos durante y después de la formación.
La plataforma permite registrar y confirmar la asistencia de los participantes, facilitando el seguimiento de la formación y la gestión documental necesaria para la bonificación FUNDAE.
Después de la formación en directo, los alumnos podrán acceder a ejercicios prácticos para aplicar lo trabajado en clase y consolidar el aprendizaje con actividades guiadas.
Una plataforma practica, con IA integrada y pensada para que mejores desarrollando. Se adapta a tu ritmo, te corrige al instante y te muestra tu progreso real.
Correccion magica
Feedback inteligente
Aprende de cada acierto y fallo con explicaciones claras
Los desarrolladores que integran inferencia en APIs, servicios, aplicaciones de escritorio, móviles, web o sistemas embebidos podrán usar ONNX Runtime desde distintos lenguajes y preparar interfaces estables de predicción.
Arquitectos de IA, software y plataforma
Los arquitectos podrán decidir cuándo usar ONNX, cómo diseñar pipelines de conversión, cómo seleccionar Execution Providers, cómo gobernar versiones y cómo integrar inferencia en arquitecturas cloud, edge o híbridas.
Equipos DevOps, platform engineering y sistemas
Los perfiles de plataforma aprenderán a desplegar runtimes ONNX, configurar aceleración hardware, contenerizar inferencia, monitorizar rendimiento, gestionar releases y preparar operación de modelos en entornos corporativos.
Equipos de producto, edge, móvil e IoT
Los equipos que necesitan inferencia en dispositivos, apps móviles, navegadores, estaciones industriales, cámaras, sensores o entornos desconectados podrán optimizar modelos para latencia, memoria, consumo y compatibilidad.